NOISe: Nuclei-Aware Osteoclast Instance Segmentation for Mouse-to-Human Domain Transfer

骨吸收细胞图像分析在骨质疏松症研究中起着关键作用，但通常需要经过受过训练的专家进行大量手动图像处理和手动标注。在过去几年中，已经开发了一些用于骨吸收细胞图像分析的机器学习方法，但没有一个解决了完整的实例分割任务，以产生与人类专家相同的输出。此外，先前的完全自动化算法都没有公开可用的代码、预训练模型或标注数据集，限制了对其工作的再现和扩展。我们提供了一个新的数据集，其中包含约2*10^5个专家注释的小鼠骨吸收细胞掩膜，以及一种深度学习实例分割方法，适用于塑料组织培养板上的小鼠骨吸收细胞和骨片上的人类骨吸收细胞。据我们所知，这是第一个自动化完整骨吸收细胞实例分割任务的工作。我们的方法在小鼠骨吸收细胞的交叉验证中实现了0.82的mAP_0.5（在交并比阈值为0.5时的平均精度）。我们提出了一种新的核感知骨吸收细胞实例分割训练策略（NOISe），基于骨吸收细胞的独特生物学，以提高模型的泛化能力，并将mAP_0.5从0.60提高到0.82。我们在github.com/michaelwwan/noise上发布了我们的标注小鼠骨吸收细胞图像数据集、实例分割模型和代码，以实现可重复性并提供公共工具来加速骨质疏松症研究。

本论文旨在解决骨质疏松症研究中骨吸收细胞图像分析的手动处理和手动注释工作量大的问题，提出了一种深度学习实例分割方法，并提供了一个包含约20万个专家注释的小鼠骨吸收细胞掩膜的数据集。

本论文提出了一种新颖的核-细胞感知骨吸收细胞实例分割训练策略（NOISe），该策略基于骨吸收细胞的生物学特性，提高了模型的泛化能力，并在小鼠骨吸收细胞和人类骨吸收细胞上实现了0.82的mAP_0.5。

本论文提供了一个公开的小鼠骨吸收细胞图像数据集、实例分割模型和代码，以促进骨质疏松症研究的可重复性和提供一个公共工具。实验中使用的数据集包括小鼠骨吸收细胞在塑料培养板上和人类骨片上的图像。本论文是第一个自动化骨吸收细胞实例分割任务的研究。

最近在这个领域中，已经有一些机器学习方法被用于骨吸收细胞图像分析，但都没有解决完整的实例分割任务，也没有公开可用的代码、预训练模型或注释数据集。